Perceptron otwiera wagi Isaac 0.5: 36 mld parametrów dla robotów

Perceptron AI udostępniło Isaac 0.5 — otwartowagowy foundation model dla robotyki o 36 mld parametrów, na licencji Apache 2.0. Premierę opisano 31 sierpnia 2026. Model łączy rozumienie wideo, wnioskowanie przestrzenne i sterowanie robotem w jednym rzadkim backbonie, a firma publikuje też kod, raport techniczny i integrację z LeRobot.

Najważniejsze w skrócie

36 mld parametrów w architekturze sparse MoE — 256 ekspertów na warstwę, od zera do ośmiu na token
Trening: 35+ platform robotycznych, 100 tys. godzin danych robotycznych, 1 mln godzin ogólnego wideo, 3 bln tokenów multimodalnych
210-krotna redukcja zapotrzebowania na teleoperację przy skalowaniu ogólnego wideo
Dwa interfejsy sterowania: ciągły Flow expert z 36-blokowym diffusion transformerem i dyskretny słownik 2048 tokenów FAST
Wagi na Hugging Face, kod na GitHubie, licencja Apache 2.0

Prawo skalowania: wideo zamiast teleoperacji

Najmocniejszy rezultat Isaaca nie jest wynikiem benchmarku, tylko krzywą kosztu. Perceptron przetrenował model na siatce mieszanek danych i zmierzył stratę predykcji akcji na trajektoriach spoza treningu. Tak powstało prawo skalowania wiążące tanie wideo z drogą teleoperacją.

Godziny ogólnego wideo	Wymagana teleoperacja
1 000 h	ok. 5 900 h
1 000 000 h	ok. 28 h

Ile teleoperacji potrzeba, by osiągnąć tę samą stratę akcji (2,50)

210×o tyle spada zapotrzebowanie na teleoperację po przeskalowaniu ogólnego wideoPerceptron, model card Isaac 0.5

Jeden backbone, cztery rodzaje wyjścia

Isaac przyjmuje obrazy, wideo, polecenia językowe, stan robota i historię akcji, a zwraca tekst, znormalizowane współrzędne, ocenę postępu zadania albo akcje. Podstawą jest 36-miliardowy backbonebackbone: Główna sieć modelu, wspólna dla wszystkich zadań — na niej opierają się poszczególne wyjścia. Qwen z rzadkimi ekspertami: Mixture of Experts z 256 ekspertami na warstwę.

Sterowanie ciągłe idzie przez dedykowanego Flow experta i 36-blokowy Diffusion Transformer, dyskretne — przez słownik 2048 tokenów FAST. Model przewiduje kolejny fragment akcji w trakcie wykonywania bieżącego, co domyka pętlę sterowania w czasie rzeczywistym.

Czego model uczy się z samego wideo

Isaac trenuje na nagraniach bez etykiet akcji, przewidując „przyszły percept” — zwięzły opis tego, co w scenie się zmieni. Ta sama sieć produkuje potem akcje.

\dots ▶ Znaczenie symboli \dots historia obserwacji do chwili t \dots przyszły percept: co się zmieniło w scenie po czasie Δ \dots model przewidujący ten percept \dots funkcja straty porównująca predykcję z rzeczywistością

Szerszy zakres niż otwarta konkurencja

Perceptron opublikował zestawienie Isaaca z innymi otwartymi modelami robotycznymi. Różnica nie dotyczy tylko liczby wcieleń, ale też tego, czy model w ogóle był trenowany pod sterowanie w czasie rzeczywistym.

Model	Wcielenia robotów	Trening pod czas rzeczywisty	Modelowanie błędów
Isaac 0.5	35	tak	tak
π0.5	ok. 7	nie	nie
SmolVLA	1	nie	nie
OpenVLA	nie podano	nie	nie
Octo	nie podano	nie	nie

Isaac 0.5 na tle otwartych modeli robotycznych, wg zestawienia Perceptronu

Karty konkurencyjnych modeli opisaliśmy osobno: π0.5, SmolVLA, OpenVLA i Octo. Firmę Perceptron założyli — jak podaje The AI Insider — Armen Aghajanyan i Akshat Shrivastava.

Dlaczego to ważne?

Teleoperacja to dziś główny hamulec kosztowy robotyki: godziny pracy człowieka przy joysticku nie skalują się jak zbieranie wideo z internetu. Jeśli krzywa Perceptronu przeniesie się na wdrożenia, próg wejścia do budowy własnej polityki spada z tysięcy do dziesiątek godzin nagrań na robocie. Model jest przy tym w pełni open-weight na Apache 2.0, bez klauzul ograniczających użycie do badań.

Co dalej?

Kod treningowy, serwer polityk i narzędzia ewaluacyjne są już w repozytorium perceptron-ai-inc/isaac w serwisie GitHub. Checkpoint działa wyłącznie z tym repozytorium i przypiętym commitem:

Bash

git clone https://github.com/perceptron-ai-inc/isaac.git
cd isaac
git checkout be6507b4aed7472f2029606c22684d4ebc9d73e6
git submodule update --init --recursive
cd lerobot
uv sync --locked --extra perceptron_isaac

Standardowe biblioteki Transformers i LeRobot nie są wspierane — model uruchomisz tylko przez repozytorium Perceptronu na przypiętej wersji. Numer 0.5 wskazuje na kolejne wydania, ale firma nie podała terminu.